論文の概要: No Task Left Behind: Multi-Task Learning of Knowledge Tracing and Option
Tracing for Better Student Assessment
- arxiv url: http://arxiv.org/abs/2204.14006v1
- Date: Fri, 8 Apr 2022 06:22:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 01:11:16.576240
- Title: No Task Left Behind: Multi-Task Learning of Knowledge Tracing and Option
Tracing for Better Student Assessment
- Title（参考訳）: 課題は残っていない: 学生評価向上のための知識追跡とオプション追跡のマルチタスク学習
- Authors: Suyeong An, Junghoon Kim, Minsam Kim and Juneyoung Park
- Abstract要約: Dichotomous-Polytomous Multi-Task Learning (DP-MTL)は、知識学習(KT)とオプション学習(OT)を組み合わせたマルチタスク学習フレームワークである。
DP-MTL は KT と OT の両方のパフォーマンスを著しく向上させるとともに,スコア予測 (SP) などの下流タスクにも有効であることを確認した。
- 参考スコア（独自算出の注目度）: 3.2517651079706353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Student assessment is one of the most fundamental tasks in the field of AI
Education (AIEd). One of the most common approach to student assessment is
Knowledge Tracing (KT), which evaluates a student's knowledge state by
predicting whether the student will answer a given question correctly or not.
However, in the context of multiple choice (polytomous) questions, conventional
KT approaches are limited in that they only consider the binary (dichotomous)
correctness label (i.e., correct or incorrect), and disregard the specific
option chosen by the student. Meanwhile, Option Tracing (OT) attempts to model
a student by predicting which option they will choose for a given question, but
overlooks the correctness information. In this paper, we propose
Dichotomous-Polytomous Multi-Task Learning (DP-MTL), a multi-task learning
framework that combines KT and OT for more precise student assessment. In
particular, we show that the KT objective acts as a regularization term for OT
in the DP-MTL framework, and propose an appropriate architecture for applying
our method on top of existing deep learning-based KT models. We experimentally
confirm that DP-MTL significantly improves both KT and OT performances, and
also benefits downstream tasks such as Score Prediction (SP).
- Abstract（参考訳）: 学生評価はAI教育(AIEd)分野における最も基本的な課題の1つである。
学生評価における最も一般的なアプローチの1つは、学生が与えられた質問に正しく答えるかどうかを予測することによって、学生の知識状態を評価する知識追跡(KT)である。
しかし、複数の選択(多義性)質問の文脈では、従来のKTアプローチは二進的(二元的)正当性ラベル(すなわち正しいか間違っているか)しか考慮せず、学生が選択した特定の選択肢を無視している。
一方、オプショントラクション(OT)は、与えられた質問に対してどの選択肢を選択するかを予測することによって、学生をモデル化しようとするが、正確性情報を見落としている。
本稿では,KTとOTを組み合わせたマルチタスク学習フレームワークであるDichotomous-Polytomous Multi-Task Learning (DP-MTL)を提案する。
特に,DP-MTL フレームワークにおける OT の正規化用語として KT が機能することを示し,既存の深層学習に基づく KT モデル上に本手法を適用するための適切なアーキテクチャを提案する。
DP-MTL は KT と OT の両方の性能を著しく向上させるとともに,スコア予測 (SP) などの下流処理にも有効であることを確認した。
関連論文リスト
- Learning to Love Edge Cases in Formative Math Assessment: Using the AMMORE Dataset and Chain-of-Thought Prompting to Improve Grading Accuracy [0.0]
本稿では,Rori による 53,000 個の質問応答対の新たなデータセットである AMMORE を紹介する。
2つの実験により,大規模言語モデル(LLM)を用いて,難解な学生の回答を段階的に評価する。
論文 参考訳（メタデータ） (2024-09-26T14:51:40Z) - An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。
アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。
本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
論文 参考訳（メタデータ） (2024-01-12T16:56:54Z) - M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [103.6153593636399]
緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。
これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。
提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
論文 参考訳（メタデータ） (2023-03-09T09:05:47Z) - simpleKT: A Simple But Tough-to-Beat Baseline for Knowledge Tracing [22.055683237994696]
我々は、textscsimpleKT という名前の KT タスクを扱うための、強力だが単純なベースライン手法を提供する。
心理学におけるラッシュモデルに触発され、質問固有のバリエーションを明示的にモデル化し、質問間の個人差を捉えた。
本研究は,学生の学習行動に埋め込まれた時間認識情報を抽出するために,通常のドット・プロダクト・アテンション機能を利用する。
論文 参考訳（メタデータ） (2023-02-14T08:09:09Z) - "It's a Match!" -- A Benchmark of Task Affinity Scores for Joint
Learning [74.14961250042629]
MTL(Multi-Task Learning)は、その成功の条件を特徴づけることが、ディープラーニングにおいて依然としてオープンな問題である、と約束する。
共同学習におけるタスク親和性の推定は重要な取り組みである。
最近の研究は、訓練条件自体がMTLの結果に重大な影響を与えることを示唆している。
しかし,本研究では,タスク親和性評価手法の有効性を評価するためのベンチマークが欠落している。
論文 参考訳（メタデータ） (2023-01-07T15:16:35Z) - pyKT: A Python Library to Benchmark Deep Learning based Knowledge
Tracing Models [46.05383477261115]
知識追跡(KT)は、学生の履歴学習インタラクションデータを用いて、時間とともに知識の熟達をモデル化するタスクである。
DLKTアプローチはいまだに不明であり、これらのアプローチの適切な測定と分析は依然として課題である。
我々は、DLKTメソッド間の有効な比較を保証するために、包括的なpythonベースのベンチマークプラットフォームであるtextscpyKTを導入する。
論文 参考訳（メタデータ） (2022-06-23T02:42:47Z) - LANA: Towards Personalized Deep Knowledge Tracing Through
Distinguishable Interactive Sequences [21.67751919579854]
今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。
新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。
ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
論文 参考訳（メタデータ） (2021-04-21T02:57:42Z) - qDKT: Question-centric Deep Knowledge Tracing [29.431121650577396]
DKTの変種であるqDKTを導入し、各学習者の成功確率を時間とともにモデル化する。
qDKTはグラフラプラシア正規化を各スキルの下で滑らかな予測に組み込む。
いくつかの実世界のデータセットの実験により、qDKTは学習結果の予測において最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-05-25T23:43:55Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳（メタデータ） (2020-04-28T09:15:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。